Firefunction-v2 的函数调用能力可与 GPT-4o 相媲美，在一系列公开基准测试中得分为 0.81，而 GPT-4o 得分为 0.80。

Firefunction-v2 针对实际场景进行了优化，包括多轮对话、指令跟随和并行函数调用。它保留了 Llama 3 的多轮指令能力（在 MT 基准测试中得分为 0.84，而 Llama 3 为 0.89），同时在函数调用任务上始终优于 Llama 3（在 Nexus 并行多函数评估中得分为 0.51，而 Llama 3 为 0.30）。

参考

博客文章

Hugging Face